WEBVTT

00:00:04.850 --> 00:00:08.850
Em apenas algumas camadas, os dados podem se tornar incrivelmente poderosos.

00:00:09.130 --> 00:00:13.370
As máquinas de Boltzmann restritas, RBMS, são um tipo de rede neural que pode aprender

00:00:13.370 --> 00:00:15.050
a representar dados de forma eficiente.

00:00:15.310 --> 00:00:20.170
Com duas camadas, visível e oculta, as RBMS utilizam métodos estoásticos para descobrir

00:00:20.170 --> 00:00:21.370
recursos dentro dos dados.

00:00:21.710 --> 00:00:25.530
Elas consistem em unidades binárias e usam divergência contrastiva para treinamento,

00:00:25.770 --> 00:00:28.790
o que as torna bastante eficazes no aprendizado não supervisionado.

00:00:28.930 --> 00:00:32.850
Elas podem lidar com grandes conjuntos de dados, melhorando tarefas como redução de

00:00:32.850 --> 00:00:35.070
dimensionalidade e filtragem colaborativa.

00:00:35.390 --> 00:00:40.270
Uma estatística interessante é que as RBMS podem representar uma distribuição de probabilidade

00:00:40.270 --> 00:00:44.590
sobre as variáveis de entrada, o que as torna versáteis em aplicações como reconhecimento

00:00:44.590 --> 00:00:45.530
de imagem e fala.

00:00:45.890 --> 00:00:48.090
Agora, vamos analisar isso um pouco mais.

00:00:48.310 --> 00:00:50.570
Imagine que você tem um conjunto de dados cheio de imagens.

00:00:50.770 --> 00:00:55.090
As RBMS podem analisar cada pixel e começar a identificar padrões sem nenhum rótulo.

00:00:55.270 --> 00:00:57.270
Elas funcionam em duas camadas principais.

00:00:57.270 --> 00:01:02.530
A camada visível, que interage com os dados de entrada, e a camada oculta, onde a mágica

00:01:02.530 --> 00:01:03.010
acontece.

00:01:03.350 --> 00:01:06.990
Essas camadas trabalham juntas para aprender a estrutura subjacente dos dados.

00:01:07.550 --> 00:01:11.690
O processo de treinamento envolve algo chamado divergência contrastiva.

00:01:12.170 --> 00:01:17.550
Parece complexo, mas pense nisso como uma forma de ajustar a rede comparando os dados de entrada

00:01:17.550 --> 00:01:19.470
com os dados de saída que ela gera.

00:01:19.710 --> 00:01:25.090
O objetivo é minimizar a diferença, tornando gradualmente o RBM mais preciso na representação

00:01:25.090 --> 00:01:25.590
dos dados.

00:01:25.590 --> 00:01:30.610
Um dos recursos mais interessantes dos RBMS é sua capacidade de realizar a redução da

00:01:30.610 --> 00:01:31.450
dimensionalidade.

00:01:31.650 --> 00:01:36.070
Isso significa que eles podem pegar dados de alta dimensão e compactá-los em um tamanho

00:01:36.070 --> 00:01:38.910
mais gerenciável sem perder informações importantes.

00:01:39.290 --> 00:01:41.070
É como fazer uma mala de forma eficiente.

00:01:41.270 --> 00:01:42.970
Tudo o que você precisa, mas menos volumoso.

00:01:43.350 --> 00:01:46.950
Em termos práticos, os RBMS têm sido usados em várias aplicações.

00:01:47.170 --> 00:01:51.690
Por exemplo, na filtragem colaborativa, eles ajudam a recomendar produtos identificando similaridades

00:01:51.690 --> 00:01:53.490
ocultas entre as preferências dos usuários.

00:01:53.490 --> 00:01:57.970
No reconhecimento de imagem, eles podem detectar recursos como bordas e texturas, formando os blocos

00:01:57.970 --> 00:01:59.850
de construção para tarefas mais complexas.

00:02:00.710 --> 00:02:03.990
Portanto, se você é um entusiasta de tecnologia que deseja se aprofundar no aprendizado de

00:02:03.990 --> 00:02:06.550
máquina, os RBMS definitivamente valem a pena explorar.

00:02:06.670 --> 00:02:10.190
Eles oferecem um vislumbre fascinante de como as máquinas podem aprender e dar sentido

00:02:10.190 --> 00:02:11.070
ao mundo ao seu redor.

00:02:11.510 --> 00:02:15.790
Mergulhe, experimente e veja o poder dos RBMS por si mesmo.